利用高效 Transformer 模型改进小麦育种中的赤霉病筛选
摘要
赤霉病是一种毁灭性病害，每年给小谷物造成显著经济损失。在抗性筛选中高效、准确且及时地检测赤霉病（FHB）对小麦和大麦育种计划至关重要。近年来，已开发多种使用监督机器学习算法的图像处理技术用于 FHB 早期检测。最先进的基于卷积神经网络的方法（如 U-Net）采用一系列编码块创建局部表示，并采用一系列解码块捕捉语义关系。然而，这些方法通常难以对输入数据内部的长程依赖关系建模，且其对具有显著纹理与形状变化的多尺度目标建模能力有限。视觉 Transformer 作为具有先天全局自注意力机制的序列到序列预测替代架构，由于低级细节不足，也可能限制定位能力。为克服这些局限，提出一种新的上下文桥（Context Bridge）以将 U-Net 网络的局部表示能力整合进 Transformer 模型。此外，原始 Transformer 的标准注意力机制被高效自注意力（Efficient Self-attention）所替代，其比其他最先进方法更为简洁。为训练所提网络，在 SD 州 Volga 市 SDSU 研究农场的一处接种 FHB 的小麦田中采集了 12,000 张小麦图像。除健康与染病植株外，这些图像涵盖该病害的各个阶段。一组专家病理学家对图像进行标注以训练和评估所开发的模型。结果表明，通过针对植物图像分割典型任务的广泛实验，基于 Transformer 的方法在 FHB 病害检测中的有效性得以验证。
引用
@article{arxiv.2308.03670,
title = {Improving FHB Screening in Wheat Breeding Using an Efficient Transformer Model},
author = {Babak Azad and Ahmed Abdalla and Kwanghee Won and Ali Mirzakhani Nafchi},
journal= {arXiv preprint arXiv:2308.03670},
year = {2023}
}
备注
10 pages, 5 figures, 1 table. Presented at the 2023 ASABE Annual International Meeting conference in Omaha, Nebraska. Also available at https://elibrary.asabe.org/abstract.asp?aid=54149